基于文本挖掘和集成学习的外卖订单出餐时长预测
基于文本挖掘和集成学习的外卖订单出餐时长预测
近年来,随着人们生活习惯的改变,餐饮外卖愈发普及。随之而来的是外卖配送的迅猛增长。
目前各大外卖平台基本上都采用系统自动派单的模式进行订单与配送员的匹配。外卖配送的系统派单要做到更加合理高效,所要面临的一个重要问题就是餐饮订单出餐时长预测,即在用户下单并完成订单支付后预测出该订单的餐品出餐所需要的时间。
外卖订单量怎么提升
对出餐时长预测的准确性,直接决定了系统派单决策的准确性以及合理性,对于高峰期配送员的运力配置起到至关重要的作用。首先,本文介绍了文本挖掘和集成学习等相关理论。
其次,以本人实习所负责的外卖订单项目为案例,界定了出餐时长的概念,提出了针对外卖订单数据集的数据清洗方法。在此基础上,基于业务经验构造基础特征,同时使用文本挖掘技术构造文本特征,并利用Early Fusion和Late Fusion两种方法进行特征融合。
然后,比较了XGBoost、随机森林和GBRT三类方法四个基础模型①的预测准确性,并确定了四个基础模型的最终融合方案。最后,本文基于MSE等指标对最终融合得到的模型进行了评估,并给出了实时预测方案。
本文的研究结果表明,在学习过程中进行数据、特征和算法参数的扰动之后,对多个集成模型进行加权融合比单一集成模型具有更好的预测效果。同时证明了在数据量较大、特征维度较高、计算资源相对有限的场景下,模型的加权融合比Stacking有更高的性价比。
基于加权融合集成学习的出餐时长预测模型提高了整个订单配送系统的效率,提升了配送员和客户的满意度。

版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。